crossval

Класс: ClassificationDiscripant

Перекрестный проверенный классификатор дискриминантного анализа

Синтаксис

cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)

Описание

cvmodel = crossval(obj) создает секционированную модель из obj, подобранный классификатор дискриминантного анализа. По умолчанию crossval использует 10-кратную перекрестную валидацию обучающих данных для создания cvmodel.

cvmodel = crossval(obj,Name,Value) создает секционированную модель с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар.

Входные параметры

obj

Классификатор дискриминантного анализа, полученный с использованием fitcdiscr.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

'CVPartition'

Объект cvpartition классов, созданный cvpartition функция. crossval разделяет данные на подмножества с cvpartition.

Используйте только одну из следующих опций за раз: 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.

По умолчанию: []

'Holdout'

Holdout проверяет указанную долю данных и использует остальную часть данных для обучения. Задайте числовой скаляр из 0 на 1. Используйте только одну из следующих опций за раз: 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.

'KFold'

Количество складок для использования в перекрестном проверенном классификаторе, положительное целое значение, больше 1.

Используйте только одну из следующих опций за раз: 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.

По умолчанию: 10

'Leaveout'

Установите значение 'on' для кросс- валидации с одним выходом.

Используйте только одну из следующих опций за раз: 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.

Примеры

Создайте классификационную модель для данных радужной оболочки глаза Фишера, а затем создайте модель перекрестной валидации. Оцените качество модели с помощью kfoldLoss.

load fisheriris
obj = fitcdiscr(meas,species);
cvmodel = crossval(obj);
L = kfoldLoss(cvmodel)

L =
    0.0200

Совет

  • Оцените прогнозирующую эффективность obj на перекрестно проверенных данных с использованием «kfold» методов и свойств cvmodel, таких как kfoldLoss.

Альтернативы

Можно создать классификатор перекрестной проверки непосредственно из данных вместо создания классификатора дискриминантного анализа, за которым следует классификатор перекрестной проверки. Для этого включите один из следующих опций в fitcdiscr: 'CrossVal', 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.

Для просмотра документации необходимо авторизоваться на сайте